Analisis Perbandingan Sentimen Pengguna X dan Reddit Terhadap Starlink di Indonesia Melalui Uji Hipotesis Statistik Two-Proportion Z-Test
Kata Kunci:
analisis sentimen, starlink Indonesia, platform X, platform Reddit, perbandingan sentimen, Long Short-Term Memory, Two-Proportion Z-TestAbstrak
Penelitian ini membandingkan sentimen pengguna terhadap Starlink di Indonesia melalui dua platform media sosial, X dan Reddit menggunakan uji statistik Two-Proportion Z-Test. Tujuannya adalah mengeksplorasi perbedaan distribusi proporsi sentimen positif dan negatif antara kedua platform. Data diperoleh dari postingan di kedua platform, melalui tahap preprocessing dan pelabelan dengan InSet Lexicon untuk analisis sentimen. Model Long Short-Term Memory (LSTM) digunakan dengan evaluasi hyperparameter melalui grid search. Model terbaik untuk X menghasilkan akurasi 77%, sementara untuk Reddit akurasi 52%. Uji hipotesis statistik Two-Proportion Z-Test menunjukkan tidak adanya perbedaan signifikan pada proporsi sentimen positif dan negatif di kedua platform. Meskipun terdapat perbedaan proporsi sentimen positif dan negatif antara kedua platform (platform X memiliki proporsi sentimen positif 48% dan sentimen negatif 52%, sedangkan platform Reddit memiliki proporsi sentimen positif 46% dan sentimen negatif 54%), perbedaan ini tidak cukup besar untuk dianggap signifikan secara statistik. Dengan kata lain, data yang dianalisis tidak memberikan bukti yang cukup untuk menyimpulkan bahwa pola sentimen positif dan negatif pada kedua platform berbeda secara signifikan.
Referensi
Akadol, P. L. J. (2017, June 28). Normalization Dictionary. Https://Github.Com/Panggi/Pujangga/Blob/Master/Resource/Formalization/FormalizationDict.Txt.
Fathoni, M. F. N., Puspaningrum, E. Y., & Sihananto, A. N. (2024). Perbandingan Performa Labeling Lexicon InSet dan VADER pada Analisa Sentimen Rohingya di Aplikasi X dengan SVM. Jurnal Informatika Dan Sains Teknologi, 1(3), 62–76. https://doi.org/10.62951/modem.v1i3.112
Flores, V. A., Jasa, L., & Linawati. (2020). Analisis Sentimen untuk Mengetahui Kelemahan dan Kelebihan Pesaing Bisnis Rumah Makan Berdasarkan Komentar Positif dan Negatif di Instagram. Majalah Ilmiah Teknologi Elektro, 19(1), 49–54. https://doi.org/10.24843/mite.2020.v19i01.p07
Haddi, E., Liu, X., & Shi, Y. (2013). The role of text pre-processing in sentiment analysis. Procedia Computer Science, 17, 26–32. https://doi.org/10.1016/j.procs.2013.05.005
Ishlah, A. W., Sudarno, S., & Kartikasari, P. (2023). IMPLEMENTASI GRIDSEARCHCV PADA SUPPORT VECTOR REGRESSION (SVR) UNTUK PERAMALAN HARGA SAHAM (Studi Kasus: Harga Saham PT Anabatic Technologies Tbk). Jurnal Gaussian, 12(2), 276–286. https://doi.org/10.14710/j.gauss.12.2.276-286
Koto, F., & Rahmaningtyas, G. Y. (2018). InSet (Indonesia Sentiment Lexicon). Https://Github.Com/Fajri91/InSet.
Kurnia, S., Prabowo, H. G., & Suharmanto, B. (2022). Klasifikasi Tweet Cyberbullying dengan Menggunakan Algoritma Random Forest. https://www.kaggle.com/datasets/andrewmvd/cyberbullying-
Okut, H. (2021). Deep Learning for Subtyping and Prediction of Diseases: Long-Short Term Memory. www.intechopen.com
Shaengchart, Y., & Kraiwanit, T. (2024). THE SPACEX STARLINK SATELLITE PROJECT: BUSINESS STRATEGIES AND PERSPECTIVES. Corporate and Business Strategy Review, 5(1), 30–37. https://doi.org/10.22495/cbsrv5i1art3
Syahril, A., Cahyana, Y., Kusumaningrum, D. S., & Rohana, T. (2024). Perbandingan Metode Decision Tree Dan K-Nearest Neighbor Terhadap Ulasan Pengguna Aplikasi Mypertamina Menggunakan Confusion Matrix. Journal of Information System Research (JOSH), 5(4), 1085–1094. https://doi.org/10.47065/josh.v5i4.5639
Webb, R. L. (2023). MOSTLY HARMLESS STATISTICS. In https://stats.libretexts.org/Bookshelves/Introductory_Statistics/Mostly_Harmless_Statistics_(Webb)/09:_Hypothesis_Tests_and_Confidence_Intervals_for_Two_Populations/9.03:_Two_Proportion_Z-Test_and_Confidence_Interval. https://LibreTexts.org
Akadol, P. L. J. (2017, June 28). Normalization Dictionary. Https://Github.Com/Panggi/Pujangga/Blob/Master/Resource/Formalization/FormalizationDict.Txt.
Fathoni, M. F. N., Puspaningrum, E. Y., & Sihananto, A. N. (2024). Perbandingan Performa Labeling Lexicon InSet dan VADER pada Analisa Sentimen Rohingya di Aplikasi X dengan SVM. Jurnal Informatika Dan Sains Teknologi, 1(3), 62–76. https://doi.org/10.62951/modem.v1i3.112
Flores, V. A., Jasa, L., & Linawati. (2020). Analisis Sentimen untuk Mengetahui Kelemahan dan Kelebihan Pesaing Bisnis Rumah Makan Berdasarkan Komentar Positif dan Negatif di Instagram. Majalah Ilmiah Teknologi Elektro, 19(1), 49–54. https://doi.org/10.24843/mite.2020.v19i01.p07
Haddi, E., Liu, X., & Shi, Y. (2013). The role of text pre-processing in sentiment analysis. Procedia Computer Science, 17, 26–32. https://doi.org/10.1016/j.procs.2013.05.005
Ishlah, A. W., Sudarno, S., & Kartikasari, P. (2023). IMPLEMENTASI GRIDSEARCHCV PADA SUPPORT VECTOR REGRESSION (SVR) UNTUK PERAMALAN HARGA SAHAM (Studi Kasus: Harga Saham PT Anabatic Technologies Tbk). Jurnal Gaussian, 12(2), 276–286. https://doi.org/10.14710/j.gauss.12.2.276-286
Koto, F., & Rahmaningtyas, G. Y. (2018). InSet (Indonesia Sentiment Lexicon). Https://Github.Com/Fajri91/InSet.
Kurnia, S., Prabowo, H. G., & Suharmanto, B. (2022). Klasifikasi Tweet Cyberbullying dengan Menggunakan Algoritma Random Forest. https://www.kaggle.com/datasets/andrewmvd/cyberbullying-
Okut, H. (2021). Deep Learning for Subtyping and Prediction of Diseases: Long-Short Term Memory. www.intechopen.com
Shaengchart, Y., & Kraiwanit, T. (2024). THE SPACEX STARLINK SATELLITE PROJECT: BUSINESS STRATEGIES AND PERSPECTIVES. Corporate and Business Strategy Review, 5(1), 30–37. https://doi.org/10.22495/cbsrv5i1art3
Syahril, A., Cahyana, Y., Kusumaningrum, D. S., & Rohana, T. (2024). Perbandingan Metode Decision Tree Dan K-Nearest Neighbor Terhadap Ulasan Pengguna Aplikasi Mypertamina Menggunakan Confusion Matrix. Journal of Information System Research (JOSH), 5(4), 1085–1094. https://doi.org/10.47065/josh.v5i4.5639
Webb, R. L. (2023). MOSTLY HARMLESS STATISTICS. In https://stats.libretexts.org/Bookshelves/Introductory_Statistics/Mostly_Harmless_Statistics_(Webb)/09:_Hypothesis_Tests_and_Confidence_Intervals_for_Two_Populations/9.03:_Two_Proportion_Z-Test_and_Confidence_Interval. https://LibreTexts.org
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
